Enterprise AI avhenger av data folk kan stole på

I 2025 investerte selskaper anslagsvis 30 til 40 milliarder dollar i generativ AI, men MITs Project NANDA fant at kun 5 prosent av de mer enn 300 bedriftsimplementeringene det undersøkte, leverte målbare økonomiske resultater. det undersøkte.

Jeg har jobbet i mer enn 25 år i bedriftsdataprogrammer. Allerede lenge før generativ AI kom inn i bildet, så jeg hvor raskt teknologien mistet troverdighet når folk ikke kunne stole på dataene bak den. Generativ AI hever innsatsen fordi den kan omdanne tvilsomme data til et selvsikkert svar.

Vi pleide å si søppel inn, søppel ut. Nå er det søppel inn, katastrofe ut. Når data så mistenkelige ut, kunne en person bruke sin egen vurdering og kontakte en dataspesialist. Spesialisten ville utføre en rotårsaksanalyse, identifisere problemet og iverksette en løsning. I dag kan agenter handle på hvilken som helst data de møter. Uten kunnskapsrik menneskelig tilsyn kan resultatet bli en del av driften, brukes i beslutninger og skaleres i hele organisasjonen.

Det samme problemet kan dukke opp i en chatbot. Oversett styring kan gjøre dårlig eller dårlig forstått data til et svar som høres autoritativt ut, umiddelbart og i stor skala.

Tilliten er den egentlige flaskehalsen for adopsjon

Når en intern chatbot gir noen et selvsikkert, men feil svar, vil den personen kanskje ikke stole på den igjen. I en stor organisasjon vil AI også finne data du heller ikke vil at den skal finne. Jeg sammenligner det med de skitne sokkene under sengen: dataene kan være utenfor syne, men AI vil finne den mørke dataen og bruke den.

Kontekst må følge med dataene og være grunnlaget som LLM‑er bygger på. Før en AI‑modell bruker data, må folk vite hva de betyr, hvor de kommer fra, hvem som eier dem, og hvilke forretningsregler og retningslinjer som omgir dem.

Ledelsen kan overse dette fordi systemet sjelden krasjer. AI kan være selvsikkert feil; den kan foreslå lim til pizzaen din (et veldig gammelt eksempel). Tenk deg en chatbot som gir et selvsikkert, men feil svar, og arbeidsstyrken slutter å stole på den. Å gjenoppbygge den tilliten tar mye lengre tid enn å etablere riktige kontroller fra starten.

Den erosjonen viser seg også i dataene. Ansatte i mer enn 90 prosent av selskapene MIT studerte fortsetter å bruke personlige AI‑verktøy ved siden av, selv etter at den offisielle piloten arbeidsgiveren deres bygde, ikke klarte å vinne deres tillit. Når det godkjente verktøyet ikke har opparbeidet tillit, finner ansatte en annen måte å få arbeidet gjort på.

Mye av årets AI‑forskning peker på det samme problemet: organisasjoner går videre med AI før de har gjort arbeidet som gjør dataene deres pålitelige. Gartner har estimert at nesten to‑tredjedeler av organisasjonene enten mangler riktige datastyringspraksiser for AI eller er usikre på om de har dem. Separat forskning fra IDC fant et lignende gap på tillitsfronten: 78 prosent av organisasjonene sier de har full tillit til sin AI, men kun 40 prosent har faktisk investert i styrings‑ og forklaringsarbeidet som ville rettferdiggjøre den tilliten.

Uoverensstemmelsen mellom selvtillit og investering hjelper å forklare hvorfor så mange AI‑initiativer stopper før de når produksjon eller mislykkes i å samsvare med den tiltenkte verdien.

AI‑styring er nå konkurransefordelen

I mesteparten av karrieren min var datastyring en av de minst glamorøse delene av bedrifts‑IT. Å katalogisere metadata,, definere eierskap, profilere data og håndtere arbeidsflyter kunne føles som renholdarbeid. Folk hoppet ofte over det fordi innsatsen syntes å overstige verdien den ga.

AI har endret dette. Det blir en styringskapasitet innen områder som å designe datablåkopier, lage bransje‑kuraterte glossarer, og anbefale og aktivere datapolitikker. Selv datalinje kan nå avledes og strømlinjeformes raskere enn før, noe som gjør verdien av styrte datapipelines og observabilitet lettere å realisere.

Regulering gjør også datatransparens mer presserende. EU AI Act ble bredt gjeldende 2. august 2026, inkludert transparensregler for visse systemer og AI‑generert innhold. Loven etablerer også separate krav for høyrisikosystemer, inkludert dokumentasjon og informasjon som hjelper implementører med å tolke deres resultater, selv om noen høyrisiko‑bestemmelser følger senere tidslinjer.

For selskaper er den praktiske leksjonen enkel: klar linje og styring gjør det lettere å dokumentere hvilke data som ble brukt, hvor de kom fra og hvordan systemet skal operere.

Det regulatoriske bildet i USA er fortsatt uavklart. Uten en omfattende føderal AI‑lov må selskaper navigere ulike delstatlige krav, selv om Det hvite hus prøver å begrense delstatenes mulighet til å lage og håndheve egne AI‑regler. Colorado sin AI‑lov, den mest omfattende delstatlige rammen som finnes, har allerede blitt utsatt og omskrevet én gang i denne kampen, med de sentrale forpliktelsene nå utsatt til 2027. For mange amerikanske selskaper er fristelsen å vente på at usikkerheten avtar.

Jeg vil hevde at dette er feil instinkt. Uansett hvilken regulatorisk modell som til slutt lykkes i USA, vil det underliggende kravet ikke forsvinne. Vet hvor dataene dine kom fra. Vet om noen faktisk har validert dem før AI bruker dem. Å utvikle denne disiplinen nå vil hjelpe selskaper med å forberede seg på ny regulering og gjøre lovende AI‑piloter til verktøy virksomheten kan bruke med selvtillit.

Hva skiller de 5 prosentene

La meg fortelle om én kunde. Deres hovedbokteam måtte gå gjennom 300 separate regneark hver gang en avvik dukket opp i bøkene. Tre hundre. Til slutt bygde noen om hele rotet til en enkelt styrt dataressurs, med beregningene, rapportene og de underliggende dataene samlet og validert på forhånd. Neste gang et problem oppstod, tok løsningen en brøkdel av den tidligere innsatsen. Bare i denne ene prosessen sparte man omtrent 750 arbeidsdager. Det tilsvarer millioner av dollar i kostnadsbesparelser bare ved å rydde opp i dette.

Forbedringen kom av å gjøre de riktige dataene enkle å finne og pålitelige nok til å bruke uten å tvile på dem. Samarbeid og gjenbruk gjorde dette mulig. Pålitelige dataprodukter kan tilpasses bedriftens standarder, utvides og oppgraderes over tid, vurderes for tillit og forvaltes for verdi. Denne tilnærmingen reduserer behovet for å lage hundrevis eller tusenvis av produkter knyttet til individuelle fysiske databastabeller.

Sterke programmer gjør den tilliten synlig. I de datamarkedene jeg jobber med, kan eiendeler klassifiseres som gull, sølv eller bronse basert på faktorer som kvalitet, kuratering, bruk og eierskap. En forretningsbruker kan se hvor pålitelig en eiendel er før den tas i bruk. Denne synligheten hjelper folk å slutte å gjette og gjør dem mer villige til å gjenbruke eksisterende data.

Tallet 95 prosent er en advarsel om hvor uformelt mange selskaper har behandlet dataene bak generativ AI. Organisasjonene som gjør fremskritt gir folk en klar oversikt over hvor dataene deres kom fra, hvordan de ble validert, og om de er egnet for oppgaven. Etter år med at datastyring ble behandlet som bakgrunnsarbeid, gjør AI endelig verdien sin synlig.